BP神经网络MATLAB.zip

本代码（MATLAB）可直接运行，对Iris鸢尾花数据分类，准确率96%左右，随机2/3数据训练，1/3数据测试。对于新手有帮助，多为矩阵运算。

clear 
clc
f=fopen（‘iris.data‘）;
Iris=textscan（f‘%f%f%f%f%s‘‘delimiter‘‘‘）;
fclose（f）;
[~n]=size（Iris）;
for i=1:n-1
    data（:i）=Iris{1i};
end
[mn]=size（data）;
for i=1:m
    if strcmp（Iris{15}{i1}‘Iris-setosa‘）
        data（i5:7）=[1 0 0];
    elseif  strcmp（Iris{15}{i1} ‘Iris-versicolor‘）
        data（i5:7）=[0 1 0];
    else 
        data（i5:7）=[0 0 1];
    end
end
%数据归一化处理[01]区间内
x_max=max（data）;
x_min=min（data）;
data=（data-ones（m1）*x_min）./（ones（m1）*（x_max-x_min））;
% 这里可用函数data=mapminmax（data01）替换
%但data需要转置因为mapminmax只能对行进行归一化
%%
%划分训练样本和测试样本 大约2/3用作训练，1/3用作测试
num=round（m/3/3）;
for i=1:3
    temp=data（1+50*（i-1）:50*i:）;
    sel=randperm（50num）;
    test（1+num*（i-1）:num*i:）=temp（sel1:4）;
    test_label（1+num*（i-1）:num*i:）=temp（sel5:7）;
    temp（sel:）=[];
    train（1+（50-num）*（i-1）:（50-num）*i:）=temp（:1:4）;
    train_label（1+（50-num）*（i-1）:（50-num）*i:）=temp（:5:7）;
end
%%
[mn]=size（train）;
alpha=4;%输入神经元数目
beta=8;%隐层神经元数目
lamda=3;%输出神经元数目
rng（‘shuffle‘）
W1=rand（alphabeta）;%输入层和隐层之间的权值矩阵
W2=rand（betalamda）;%隐层和输出层间的权值矩阵
B1=rand（1beta）;%隐层阈值矩阵
B2=rand（1lamda）;%输出层阈值矩阵
B22=B2;
W11=W1;
Eta=1;%学习率
iter_max=10000;%最大迭代次数
iter=1;
%BP神经网络，每次仅针对一个训练样例更新连接权和阈值
while iter<=iter_max
   for i=1:m
    hidden_in=train（i:）*W1;%隐层输入
    hidden_out=sigmod（hidden_in-B1）;%隐层输出
    output_in=hidden_out*W2;%输出层输入
    output_out=sigmod（output_in-B2）;%输出层输出
    %计算误差
    E（i）=sum（（output_out-train_label（i:））.^2）;%求平方和可用sumsqr函数
    %%
    %更新参数BP神经网络中最核心的部分
   g=output_out.*（1-output_out）.*（train_label（i:）-output_out）;%计算输出层神经元的梯度项
   e=hidden_out.*（1-hidden_out）.*（g*W2‘）;%计算隐层神经元的梯度项
   Deta_W2=Eta*hidden_out‘*g;
   Deta_B2=-Eta*g;
   Deta_W1=Eta*train（i:）‘*e;
   Deta_B1=-Eta*e;
   W1=W1+Deta_W1;
   W2=W2+Deta_W2;
   B1=B1+Deta_B1;
   B2=B2+Deta_B2;
   end
%计算训练集的累积误差
E=mean（E）;
if E<1e-4  %目标误差
    iter
    break
end
if mod（iter1000）==0
       iter
end
   iter=iter+1;%更新迭代次数
end
%%
%测试
[resultaccuracy]=BP_test（testtest_labelW1W2B1B2）;
disp（‘结果为：‘）
result‘
disp（strcat（‘准确率为‘num2str（accuracy*100）‘%‘））
function [resultaccuracy]=BP_test（testtest_labelW1W2B1B2）
%返回分类的结果
%accuracy准确率
Hidden_in=test*W1;%隐层输入
Hidden_out=sigmod（Hidden_in-B1）;%隐层输出
Output_in=Hidden_out*W2;%输入层输入
Output_out=sigmod（Output_in-B2）;
[~result]=max（Output_out[]2）;
[~index2]=max（test_label[]2）;
right=sum（result==index2）;%统计分类正确的个数
total=size（test1）;%总个数
accuracy=right/total;
end
%sigmod函数在matlab里是logsig函数
function [Y]=sigmod（X）
Y=1./（1+exp（-1）.^X）;
end
        

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2909  2019-08-12 23:37  neural_networks\BP_networks.m
     文件        4551  2019-08-04 13:24  neural_networks\iris.data
     文件     1133510  2019-08-12 22:55  neural_networks\周志华-机器学习-101.jpg
     文件      632486  2019-08-12 22:56  neural_networks\周志华-机器学习-102.jpg
     文件      467382  2019-08-12 22:56  neural_networks\周志华-机器学习-103.jpg
     文件      839981  2019-08-12 22:56  neural_networks\周志华-机器学习-104.jpg
     目录           0  2019-08-12 23:40  neural_networks\